自适应近邻局部比值和线性判别分析算法

摘要：

在机器学习和模式识别中,降维能够显著提升分类器的判别性能与效率.比率和(ratio sum,RS)是线性判别分析(linear discriminant analysis,LDA)的一种全新变体,它试图使投影矩阵在每个维度上都达到最优.但RS并没有考虑到数据的局部几何结构,这就可能导致无法求得最优解.为了克服RS的这一缺点,提出了一种自适应近邻局部比值和线性判别分析算法(adaptive neighbor local ratio sum linear discriminant analysis,ANLRSLDA).该算法使用自适应近邻的构图方法构建邻接矩阵,保留数据的局部几何结构完成了数据类间及类内矩阵的构建,从而更好地找到数据的最优表示;并且该方法采用有效的无核参数邻域分配策略来构造邻接矩阵,避免调整热核参数的需要.在UCI数据集及人脸数据集进行了对比实验,验证了该算法的有效性.

关键词：降维、比值和、线性判别分析、自适应近邻

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：科技部重大研发计划;广东省重大研发计划;广东省自然科学基金面上项目;国家自然科学基金

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：115-122